CN117668734A - 一种智能切割头温度监测方法 - Google Patents
一种智能切割头温度监测方法 Download PDFInfo
- Publication number
- CN117668734A CN117668734A CN202410114574.5A CN202410114574A CN117668734A CN 117668734 A CN117668734 A CN 117668734A CN 202410114574 A CN202410114574 A CN 202410114574A CN 117668734 A CN117668734 A CN 117668734A
- Authority
- CN
- China
- Prior art keywords
- temperature
- curve
- temperature data
- value
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012544 monitoring process Methods 0.000 title claims abstract description 67
- 230000002159 abnormal effect Effects 0.000 claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000001816 cooling Methods 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Control Of Temperature (AREA)
Abstract
本发明涉及智能切割头温度数据处理技术领域,具体涉及一种智能切割头温度监测方法。该方法获取智能切割头工作状态下的温度数据;获取温度数据组成的温度波动曲线;根据温度波动曲线的变化特征对温度数据进行区间划分;根据每个温度数据与在自身所在区间内所有温度数据之间的温度差异程度获得温度数据的离群度,进而获得每个温度数据的自适应k值;利用自适应k值对所有温度数据进行LOF异常数据监测,获得所有异常温度数据;根据异常温度数据对智能切割头进行温度监测。本发明能够获得每个温度数据的自适应k值,能够获得理想的异常温度检测结果,从而提高智能切割头温度监测的准确性。
Description
技术领域
本发明涉及智能切割头温度数据处理技术领域,具体涉及一种智能切割头温度监测方法。
背景技术
在现代工业生产中,切割头作为金属切割过程中的核心工具,其重要性日益凸显。切割头在高温环境下工作,很容易导致温度异常,进而影响切割质量和切割效率。因此,对切割头温度进行实时监测,对于提高切割质量和效率具有重要意义。
切割头在工作过程中温度如果出现异常,会影响到切割的稳定性,导致切割质量下降,甚至导致设备的损坏。在现有技术中,常使用LOF异常监测算法监测切割头的异常温度数据,然而切割头在工作过程中分为启动、切割、冷却三个工作区间,每个工作区间内温度变化程度是不同的,传统LOF异常监测算法在不同温度变化程度的工作区间内只能确定一个邻域k值,会导致部分异常温度数据无法被检测出来,或者某些正常的温度数据被检测出异常,影响温度监测的准确性。
发明内容
为了解决传统LOF异常监测算法在不同温度变化程度的工作区间内只能确定一个邻域k值,会导致部分异常温度数据无法被检测出来,或者某些正常的温度数据被检测出异常,影响温度监测的准确性的技术问题,本发明的目的在于提供一种智能切割头温度监测方法,所采用的技术方案具体如下:
一种智能切割头温度监测方法,该方法包括:
获取智能切割头在工作状态下的所有温度数据;
获取每个预设单位时间内的所有温度数据组成的温度波动曲线;根据每个温度波动曲线的波动特征获得每个温度波动曲线中的所有第一温度曲线段;根据所述第一温度曲线段之间的温度变化特征的差异,获得每个温度波动曲线的合并温度波动曲线段;获得每个合并温度波动曲线段的温度趋势特征;根据相邻合并温度波动曲线段之间的温度趋势特征差异,获得合并温度波动曲线段组成的工作周期;在一个工作周期下获得所有温度数据的工作区间;
根据每个温度数据与自身所在区间内所有温度数据之间的温度差异程度,获得每个所述温度数据在自身所在区间内的离群度;根据每个所述温度数据在自身所在区间内的离群度,获得每个温度数据的自适应k值;
利用所述自适应k值对所有所述温度数据进行LOF异常数据监测,获得所有异常温度数据;
根据所述异常温度数据对智能切割头进行温度监测。
进一步地,所述第一温度曲线段的获取方法包括:
获取每个所述温度波动曲线上的所有极值点;通过相邻极值点将所述温度波动曲线进行分割,获得每个所述温度波动曲线中的所有第一温度曲线段。
进一步地,所述合并温度波动曲线段的获取方法包括:
根据每相邻3个第一温度曲线段之间的温度变化程度,获得每相邻3个第一温度曲线段之间的温度变化趋势值;
利用孤立森林算法获取所有温度变化趋势值中的异常温度数据点作为待分析点;通过所述待分析点的数据值与相邻两个所述温度变化趋势值中任意一个温度变化趋势值之间的差异,获得所述温度波动曲线的所有合并曲线段序列;对所有所述合并曲线段序列按照时序进行合并获得合并温度波动曲线段。
进一步地,根据相邻合并温度波动曲线段之间的温度趋势特征差异,获得合并温度波动曲线段组成的工作周期,包括:
将每个所述合并温度波动曲线段两个端点连接的直线斜率作为每个所述合并温度波动曲线段的特征斜率;将所述特征斜率作为每个合并温度波动曲线段的温度趋势特征;将第一个所述合并温度波动曲线段的特征斜率作为待对比特征斜率;
将相邻两个合并温度波动曲线段之间特征斜率的绝对值平均值与所述待对比特征斜率之间的差异进行负相关映射,获得相邻两个合并温度波动曲线段作为分割段的分割段得分值;当所述分割段得分值大于预设第一阈值时,将所述分割段得分值对应的相邻两个合并温度波动曲线段的共同端点作为分割段点;将相邻分割段点之间的时间区间作为智能切割头的工作周期。
进一步地,所述温度变化趋势值的获取方法包括:
根据温度变化趋势值计算公式获取所述温度变化趋势值,所述温度变化趋势值计算公式如下所示:
;式中,/>表示第/>个极小值点、第个极大值点、第/>个极小值点与第/>个极大值点分割得到的相邻3个第一温度曲线段之间的温度变化趋势值;/>表示第/>个极大值点的温度数据值;/>表示第/>个极大值点的温度数据值;/>表示第/>个极小值点的温度数据值;/>表示第/>个极小值点的温度数据值。
进一步地,所述合并曲线段序列的获取方法包括:
将连续预设数量个都为正值的温度变化趋势值对应的所有第一温度曲线段作为初始合并曲线段序列;
当待分析点的数据值与相邻两个所述温度变化趋势值中前一个温度变化趋势值之间的差异小于预设第二阈值时,将待分析点对应的所有第一温度曲线段加入所述初始合并曲线段序列,获得第一曲线段序列;
当待分析点的数据值与相邻两个所述温度变化趋势值中后一个温度变化趋势值之间的差异小于预设第二阈值的时候,待分析点对应的所有第一温度曲线段加入所述初始合并曲线段序列,获得第二曲线段序列;
当待分析点的数据值与相邻两个所述温度变化趋势值中前一个温度变化趋势值之间的差异大于预设第二阈值时,将待分析点对应的所有第一温度曲线段中的前两个第一温度曲线段加入所述初始合并曲线段序列,获得第三曲线段序列;
当待分析点的数据值与相邻两个温度变化趋势值中后一个温度变化趋势值之间的差异大于预设第二阈值的时候,将待分析点对应的所有第一温度曲线段中的后两个第一温度曲线段加入初始合并曲线段序列,获得第四曲线段序列;
将所述初始合并曲线段序列、所述第一曲线段序列、所述第二曲线段序列与所述第四曲线段序列都作为所述合并曲线段序列;
遍历每个温度波动曲线的所有待分析点,获得每个温度曲线的所有合并曲线段序列。
进一步地,根据所述分割段点获得合并温度波动曲线内所有温度数据的工作区间,包括:
将智能切割头工作周期内第一个合并温度波动曲线段对应的时间区间作为启动区间,最后一个合并温度波动曲线段对应的时间区间作为冷却区间,其他时间区间作为切割区间。
进一步地,所述离群度的获取方法包括:
将所有预设单位时间内的温度波动曲线在每个工作区间内的所有合并温度波动曲线段作为每个工作区间内的所有阶段曲线段;
计算每个温度数据在自身所在工作区间内的阶段曲线段中的温度异常得分;
将每个温度数据加入到自身所在工作区间内的其他阶段曲线段中,计算每个温度数据在自身所在工作区间内的其他阶段曲线段中的温度异常得分;
将每个温度数据在自身所在工作区间内所有温度异常得分求平均,获得每个温度数据在自身所在工作区间中的离群度。
进一步地,所述自适应k值的获取方法包括:
根据自适应k值计算公式获取所述自适应k值,所述自适应k值计算公式如下所示:
;式中,/>表示第/>个温度数据的自适应k值;/>表示LOF算法初始预设k值;/>表示第/>个温度数据在自身所在工作区间内的离群度;/>表示所有温度数据在自身所在工作区间内的离群度均值;表示LOF算法中的k值最大值;/>表示LOF算法中的k值最小值。
进一步地,根据所述异常温度数据对智能切割头进行温度监测,包括:
将所有异常温度数据的均值作为异常温度监测阈值;当温度数据大于异常温度监测阈值时,认为智能切割头出现异常,对相关人员进行实时预警。
本发明具有如下有益效果:
本发明获取智能切割头在工作状态下的所有温度数据,方便后续进行异常温度数据的分析;由于在智能切割头实际工作过程中,智能切割头的工作状态分为启动、切割、冷却三个过程,且温度数据在启动、切割、冷却三个过程中温度变化存在较大差异,所以根据所有温度波动曲线的温度变化特征对每个温度数据进行区间划分,获取每个温度数据所在工作区间;根据每个温度数据与自身所在区间内所有温度数据之间的温度差异程度,获得每个温度数据在自身所在区间内的离群度,反映出温度数据与自身所在区间内所有温度数据整体之间的温度差异程度;由于不同工作区间内温度变化程度不同,所以在利用LOF异常监测算法时要采用不同的k值进行计算,根据每个温度数据在自身所在区间内的离群度,获得每个温度数据的自适应k值;利用自适应k值对所有温度数据进行LOF异常数据监测,获得所有异常温度数据;根据异常温度数据对智能切割头进行温度监测。本发明能够获得每个温度数据的自适应k值,能够获得理想的异常温度检测结果,从而提高智能切割头温度监测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种智能切割头温度监测方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种智能切割头温度监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
一种智能切割头温度监测方法实施例:
下面结合附图具体的说明本发明所提供的一种智能切割头温度监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种智能切割头温度监测方法流程图,该方法包括:
步骤S1:获取智能切割头在工作状态下的所有温度数据。
本发明实施例中提供了一种智能切割头温度监测方法,针对于智能切割头进行温度监测,首先需要获取智能切割头在工作状态下的温度数据。本发明一个实施例中,获取智能切割头过去一个月的工作状态下的温度数据,并对所有温度数据进行预处理操作以减少温度数据中的噪声,并对离群点进行删除,最终获得智能切割头在工作状态下的所有温度数据。
需要说明的是,采集温度数据的时间可以由实施人员依据具体实施场景自行设置,且数据预处理操作可以采用局部加权替换法等算法对采集的温度数据进行去噪,在此不做限定。
步骤S2:获取每个预设单位时间内的所有温度数据组成的温度波动曲线;根据每个温度波动曲线的波动特征获得每个温度波动曲线中的所有第一温度曲线段;根据第一温度曲线段之间的温度变化特征的差异,获得每个温度波动曲线的合并温度波动曲线段;获得每个合并温度波动曲线段的温度趋势特征;根据相邻合并温度波动曲线段之间的温度趋势特征差异,获得合并温度波动曲线段组成的工作周期;在一个工作周期下获得所有温度数据的工作区间。
为了研究温度数据的变化特征,可以将每个预设单位时间的温度数据组成温度波动曲线,通过温度波动曲线能够直观地观察出温度数据的变化特征,方便后续进行区间划分。
本发明一个实施例中,预设单位时间设置为1天,即获得每天的温度数据组成每个温度波动曲线。
由于在每个工作区间中不同时间段的温度变化特征也不相同,有些时间段温度变化趋势比较明显,有些时间段温度变化趋势却不明确,所以本发明实施例中,根据每个温度波动曲线的波动特征获得每个温度波动曲线中的所有第一温度曲线段,通过所有第一曲线段分析温度波动曲线整体的温度变化趋势。
优选地,本发明一个实施例中,第一温度曲线段的获取方法包括:
由于极值点可以代表温度波动曲线中的波动特征,且极值点之间的变化程度可以反映出温度波动曲线的变化趋势,所以获取每个温度波动曲线上的所有极值点;通过相邻极值点将温度波动曲线进行划分,获得每个温度波动曲线中的所有第一温度曲线段。
由于对温度数据进行工作区间的划分,需要明确每个工作区间的温度变化特征,且在智能切割头实际工作过程中,智能切割头的工作状态分为启动、切割、冷却三个工作区间,且温度数据在启动、切割、冷却三个工作区间中温度变化存在较大差异,具体包括:在启动区间中智能切割头的温度开始缓慢上升达到预设的温度值范围;由于切割头和工件的不断接触摩擦,切割区间温度会在切割头刚接触工件时发生瞬时突变,温度会明显的上升,并且上升到一定温度后会在一定的温度区间内波动;切割完成后,智能切割头会进入到冷却区间,温度会明显的下降;而温度波动曲线中含有许多温度变化趋势不明确的第一曲线段,通过确定温度波动曲线中的温度变化趋势可以明确温度数据的工作区间归属,所以本发明实施例中,根据第一温度曲线段之间的温度变化特征,获得每个温度波动曲线的合并温度波动曲线。
优选地,本发明一个实施例中,合并温度波动曲线段的获取方法包括:
由于要分析温度波动曲线的温度变化趋势,所以可以通过相邻两个极大值点的变化趋势与相邻两个极小值点的变化趋势反映温度变化趋势,即获取相邻3个第一温度曲线段,所以根据每相邻3个第一温度曲线段之间的温度变化程度,获得每相邻3个第一温度曲线段之间的温度变化趋势值;利用孤立森林算法获取所有温度变化趋势值中的异常数据点作为待分析点;由于智能切割头在启动区间后进入到切割区间时刚接触工件表面时会由于摩擦生热导致温度出现急速上升,即切割区间与启动区间和冷却区间之间均存在较大温度变化差异,且实际情况中切割区间的整体温度变化趋势不明确,所以需要通过合并第一曲线段确定一段时间内整体的温度变化趋势以确定启动区间和冷却区间,可以通过待分析点的数据值与相邻两个温度变化趋势值中任意一个温度变化趋势值之间的差异,获得温度波动曲线的所有合并曲线段序列;对所有合并曲线段序列按照时序进行合并获得合并温度波动曲线段。
优选地,本发明一个实施例中,温度变化趋势值的获取方法包括:
根据温度变化趋势值计算公式获取温度变化趋势值,温度变化趋势值计算公式如下所示:
式中,表示第/>个极小值点、第/>个极大值点、第/>个极小值点与第个极大值点分割得到的相邻3个第一温度曲线段之间的温度变化趋势值;/>表示第/>个极大值点的温度值;/>表示第/>个极大值点的温度值;/>表示第/>个极小值点的温度值;/>表示第/>个极小值点的温度值。
在温度变化趋势值计算公式中,由于智能切割头在启动区间温度波动曲线整体是上升趋势,在冷却区间内温度波动曲线整体为下降趋势,而温度变化趋势值可以反映出相邻3个第一曲线段之间的温度变化趋势。若第个极大值点的温度值与第/>个极大值点的温度值之间的差值为正值时,表示极大值点处于上升趋势,若第/>个极大值点的温度值与第/>个极大值点的温度值之间的差值为负值时,表示极大值点处于下降趋势;若第个极小值点的温度值与第/>个极小值点的温度值之间的差值为正值时,表示极小值点处于上升趋势,若第/>个极小值点的温度值与第/>个极小值点的温度值之间的差值为负值时,表示极小值点处于下降趋势;当/>为正时,此时/>与均为正值或均为负值,即当/>与/>均为正值时,相邻3个第一温度曲线段温度变化趋势为升高,当/>与/>均为负值时,相邻3个第一温度曲线段温度变化趋势为下降;当/>为负值时,即/>与两者的值为一正一负时,相邻3个第一温度曲线段的温度变化趋势不明确。
优选地,本发明一个实施例中,合并曲线段序列的获取方法包括:
由于连续温度变化趋势值都为正值说明对应的第一曲线段温度变化趋势保持上升或者下降,为了确定温度变化趋势进行后续温度数据的区间划分,将连续预设数量个都为正值的温度变化趋势值对应的所有第一温度曲线段作为初始合并曲线段序列;
当待分析点的数据值与相邻两个温度变化趋势值中前一个温度变化趋势值之间的差异小于预设第二阈值时,将待分析点对应的所有第一温度曲线段加入初始合并曲线段序列,获得第一曲线段序列;
当待分析点的数据值与相邻两个温度变化趋势值中后一个温度变化趋势值之间的差异小于预设第二阈值的时候,待分析点对应的所有第一温度曲线段加入初始合并曲线段序列,获得第二曲线段序列;
当待分析点的数据值与相邻两个温度变化趋势值中前一个温度变化趋势值之间的差异大于预设第二阈值时,将待分析点对应的所有第一温度曲线段中的前两个第一温度曲线段加入初始合并曲线段序列,获得第三曲线段序列;
当待分析点的数据值与相邻两个温度变化趋势值中后一个温度变化趋势值之间的差异大于预设第二阈值的时候,将待分析点对应的所有第一温度曲线段中的后两个第一温度曲线段加入初始合并曲线段序列,获得第四曲线段序列;
将初始合并曲线段序列、第一曲线段序列、第二曲线段序列与第四曲线段序列都作为合并曲线段序列;遍历每个温度波动曲线的所有待分析点,获得每个温度曲线的所有合并曲线段序列。
本发明一个实施例中,第二阈值设置为10;预设数量设置为3,即将连续3个以上都为正值的温度变化趋势值对应的所有第一温度曲线段作为合并曲线段序列。
虽然合并温度波动曲线中包含智能切割头每天的所有启动区间与冷却区间,但此时无法对智能切割头的工作周期进行划分,为了对智能切割头每个工作周期进行区间划分,本发明实施例中,获得合并温度波动曲线中的所有分割段点。
优选地,本发明一个实施例中,根据相邻合并温度波动曲线段之间的温度趋势特征差异,获得合并温度波动曲线段组成的工作周期,包括:
由于智能切割头的切割过程呈现出周期性的特征,前一个工作周期的冷却区间和后一个周期的启动区间在时间上是连续的,所以分割段中第一个合并温度波动曲线段属于前一个工作周期的冷却区间,第二个合并温度波动曲线段属于后一个工作周期的启动区间;将每个合并温度波动曲线段两个端点连接的直线斜率作为每个合并温度波动曲线段的特征斜率;将特征斜率作为每个合并温度波动曲线段的温度趋势特征;由于冷却区间温度变化趋势是持续下降的,启动区间温度变化趋势是持续上升的,因此冷却区间的温度波动曲线和启动区间的温度波动曲线的特征斜率绝对值是比较相似的,而智能切割头在刚进入工作状态时温度是逐渐上升的,所以可以将第一个合并温度波动曲线段的特征斜率作为待对比曲线特征,并与后续的合并温度波动曲线的特征斜率进行对比;将相邻两个合并温度波动曲线段之间特征斜率的绝对值平均值与所述待对比特征斜率之间的差异进行负相关映射,获得相邻两个合并温度波动曲线段作为分割段的分割段得分值;当分割段得分值大于预设第一阈值时,将分割段得分值对应的相邻两个合并温度波动曲线段的共同端点作为分割段点;将相邻分割段点之间的时间区间作为智能切割头的工作周期。本发明一个实施例中,分割段得分值的计算公式如下所示:
式中,表示第/>个合并温度波动曲线段与第/>个合并温度波动曲线段作为分割段的分割段得分值,其中,/>,/>表示每个合并温度波动曲线段的合并温度波动曲线段数量;/>表示每个合并温度波动曲线段的待对比特征斜率;/>表示第/>个合并温度波动曲线段的特征斜率绝对值;/>表示第/>个合并温度波动曲线段的特征斜率绝对值。
在分割段得分值计算公式中,由于切割头启动区间温度是从初始状态逐渐上升到预设的温度范围然后在该范围内进行波动,因此第一个合并温度波动曲线段表示切割头启动区间的温度数据,所以将第一个合并温度波动曲线段的特征斜率作为待对比曲线特征;当/>越小时,说明第/>个合并温度波动曲线段与第/>个合并温度波动曲线段的特征斜率绝对值与待对比曲线特征越相似,此时第/>个合并温度波动曲线段越有可能属于前一个工作周期的冷却区间,第/>个合并温度波动曲线段越有可能属于后一个工作周期的启动区间,此时/>越大,即第/>个合并温度波动曲线段与第个合并温度波动曲线段作为智能切割头每个工作周期的分割段的可能性越大。
本发明一个实施例中,预设第一阈值设置为0.7,即当分割段得分值大于0.7时,将分割段得分值对应的合并温度波动曲线段的端点作为分割段点。
优选地,本发明一个实施例中,根据分割段点获得合并温度波动曲线内所有温度数据的工作区间,包括:
将智能切割头工作周期内第一个合并温度波动曲线段对应的时间区间作为启动区间,最后一个合并温度波动曲线段对应的时间区间作为冷却区间,其他时间区间作为切割区间。
本发明一个实施例中,提供一个工作周期内温度数据的区间划分步骤,具体包括:
若,/>为相邻的两个分割段点,则第/>个合并温度波动曲线段与第/>个合并温度波动曲线段之间的时间区间为智能切割头的一个工作周期,所以将第/>个合并温度波动曲线段对应时间区间的所有温度数据划分到启动区间中,将第/>个合并温度波动曲线段中对应时间区间的所有温度数据加入到冷却区间中,将其他时间区间对应的所有温度数据加入到切割区间中。
至此,完成对智能切割头在工作状态下的所有温度数据的区间划分。
步骤S3:根据每个温度数据与自身所在区间内所有温度数据之间的温度差异程度,获得每个温度数据在自身所在区间内的离群度;根据每个温度数据在自身所在区间内的离群度,获得每个温度数据的自适应k值。
由于步骤S2将所有智能切割头的温度数据所在的工作区间分为了启动区间、分割区间与冷却区间,每个工作区间内的温度数据都是相同加工阶段的温度数据,在一般情况下,所有温度波动曲线在相同工作区间内的温度变化是相似的。若出现某一温度数据在自身所在区间内与其他温度数据的差异比较大,说明此温度数据为异常温度数据,为了对异常温度数据进行筛选,所以本发明实施例中,根据每个温度数据与自身所在区间内所有温度数据之间的温度差异程度,获得每个温度数据在自身所在区间内的离群度。
优选地,本发明一个实施例中,离群度的获取方法包括:
将所有预设单位时间内的温度波动曲线在每个工作区间内的所有合并温度波动曲线段作为每个工作区间内的所有阶段曲线段,即将所有温度波动曲线分割为启动阶段曲线段、切割阶段曲线段与冷却阶段曲线段,此时每个工作区间内有许多阶段曲线段;计算每个温度数据在自身所在工作区间内的阶段曲线段中的温度异常得分,具体包括:计算启动区间内每个温度数据在自身所在启动阶段曲线段上的温度异常得分,计算切割区间内每个温度数据在自身所在切割阶段曲线段上的温度异常得分,计算冷却区间内每个温度数据在自身所在冷却阶段曲线段上的温度异常得分;为了结合不同工作周期之间数据特征分析每个温度数据的异常,将每个温度数据加入到自身所在工作区间内的其他阶段曲线段中,计算每个温度数据在自身所在工作区间内的其他阶段曲线段中的温度异常得分;将每个温度数据在自身所在工作区间内所有温度异常得分求平均,获得每个温度数据在自身所在工作区间中的离群度,获得每个温度数据在自身所在工作区间中的离群度。本发明一个实施例中,离群度计算公式如下所示:
式中,表示第/>个温度数据在其所在工作区间内的离群度;/>表示第/>个温度数据所在工作区间内阶段曲线段的数量;/>表示第/>个温度数据所在工作区间内阶段曲线段的序号;/>表示第/>个温度数据在第/>个阶段曲线段上的异常得分。
本发明一个实施例中,利用孤立森林算法计算每个温度数据在自身所在工作区间内的温度异常得分。需要说明的是,在本发明其他实施例中,还可以采用其他数据异常监测算法获得每个温度数据在自身所在工作区间内的温度异常得分,孤立森林算法与其他数据异常监测算法均为本领域技术人员熟知的技术手段,在此不做限定及赘述。
由于不同工作区间内温度变化程度不同,所以在利用LOF异常监测算法时要采用不同的k值进行计算,所以本发明实施例中,根据每个温度数据在自身所在区间内的离群度,获得每个温度数据的自适应k值。
优选地,本发明一个实施例中,自适应k值的获取方法包括:
根据自适应k值计算公式获取自适应k值,自适应k值计算公式如下所示:
式中,表示第/>个温度数据的自适应k值;/>表示LOF算法初始预设k值;/>表示第/>个温度数据在自身所在工作区间内的离群度;/>表示所有温度数据在自身所在工作区间内的离群度均值;/>表示LOF异常检测算法中的k值最大值;/>表示LOF异常检测算法中的k值最小值。
本发明一个实施例中,LOF异常检测算法初始预设k值设置为7;LOF异常检测算法中的k值最大值设置为20;LOF异常检测算法中的k值最小值设置为3。需要说明的是,算法初始预设k值、LOF异常检测算法中的k值最大值与LOF算法中的k值最小值可以由实施人员自行设置,在此不做限定。
在自适应k值计算公式中,根据LOF异常检测算法可以得知,当时,表示第/>个温度数据的离群度大于所有温度数据离群度的均值,对应的第/>个温度的自适应k值要在预设的k值的基础上更大,此时/>的值越大,对应的第/>个温度数据的自适应k值越大;当/>时,表示第/>个温度数据的离群度小于所有温度数据离群度的均值,对应的第/>个温度的自适应k值要在预设的k值的基础上更小,此时/>的值越大,对应的第/>个温度数据的自适应k值越小。
至此,获得每个温度数据的自适应k值。
步骤S4:利用自适应k值对所有温度数据进行LOF异常数据监测,获得所有异常温度数据。
本发明实施例中,计算出每个温度数据的自适应k值以后,使用LOF异常监测算法分别计算每个温度数据的可达距离以及局部可达密度;根据每个温度的可达距离和局部可达密度计算每个温度数据的局部离群因子;将局部离群因子值大于预设第三阈值的温度数据标记为异常温度数据。
需要说明的是,LOF异常监测算法为本领域技术人员所熟知的技术手段,而温度数据的可达距离、局部可达密度与局部离群因子均为现有技术,在此不做赘述;预设第三阈值可以设置为3,即当温度数据的局部离群因子值大于3时,该温度数据为异常温度数据,第三阈值的设置可以由实施人员自行设置,在此不做赘述。
步骤S5:根据异常温度数据对智能切割头进行温度监测。
优选地,在本发明一个实施例中,将所有异常温度数据的均值作为异常温度监测阈值;当实时的温度数据大于异常温度监测阈值时,认为智能切割头出现异常,此时对相关人员进行实时预警。
需要说明的是,在本发明其他实施例中,可以采用中位数等其他数学方式获取异常温度监测阈值,在此不做限定。
至此,完成智能切割头的温度监测。
综上,本发明获取智能切割头在工作状态下的所有温度数据,方便后续进行异常温度数据的分析;由于在智能切割头实际工作过程中,智能切割头的工作状态分为启动、切割、冷却三个过程,且温度数据在启动、切割、冷却三个过程中温度变化存在较大差异,所以根据所有温度波动曲线的变化特征对每个温度数据进行区间划分,获取每个温度数据所在工作区间;根据每个温度数据与自身所在区间内所有温度数据之间的温度差异程度,获得每个温度数据在自身所在区间内的离群度,反映出温度数据与自身所在区间内所有温度数据整体之间的温度差异程度;由于不同工作区间内温度变化程度不同,所以在利用LOF异常监测算法时要采用不同的k值进行计算,根据每个温度数据在自身所在区间内的离群度,获得每个温度数据的自适应k值;利用自适应k值对所有温度数据进行LOF异常数据监测,获得所有异常温度数据;根据异常温度数据对智能切割头进行温度监测。本发明能够获得每个温度数据的自适应k值,能够获得理想的异常温度检测结果,从而提高智能切割头温度监测的准确性。
一种智能切割头异常温度数据获取方法实施例:
在现有技术中,常使用LOF异常监测算法监测切割头的异常温度数据,然而智能切割头在工作过程中分为启动、切割、冷却三个区间,每个区间内温度变化程度是不同的,传统LOF异常监测算法在不同温度变化程度的工作区间内只能确定一个邻域k值,会导致部分异常温度数据无法被检测出来,或者某些正常的温度数据被检测出异常,影响温度监测的准确性的技术问题。为了解决该技术问题,提出一种智能切割头异常温度数据获取方法实施例,该实施例步骤包括:
步骤S1:获取智能切割头在工作状态下的所有温度数据。
步骤S2:获取每个预设单位时间内的所有温度数据组成的温度波动曲线;根据每个温度波动曲线的波动特征获得每个温度波动曲线中的所有第一温度曲线段;根据第一温度曲线段之间的温度变化特征的差异,获得每个温度波动曲线的合并温度波动曲线段;获得每个合并温度波动曲线段的温度趋势特征;根据相邻合并温度波动曲线段之间的温度趋势特征差异,获得合并温度波动曲线段组成的工作周期;在一个工作周期下获得所有温度数据的工作区间。
步骤S3:根据每个温度数据与自身所在区间内所有温度数据之间的温度差异程度,获得每个温度数据在自身所在区间内的离群度;根据每个温度数据在自身所在区间内的离群度,获得每个温度数据的自适应k值。
步骤S4:利用自适应k值对所有温度数据进行LOF异常数据监测,获得所有异常温度数据。
由于步骤S1-步骤S4在上述一种智能切割头温度监测方法中已经提及,在此不做赘述。
本实施例的技术效果:本实施例获取智能切割头在工作状态下的所有温度数据,方便后续进行异常温度数据的分析;由于在智能切割头实际工作过程中,智能切割头的工作状态分为启动、切割、冷却三个过程,且温度数据在启动、切割、冷却三个过程中温度变化存在较大差异,所以根据所有温度波动曲线的变化特征对每个温度数据进行区间划分,获取每个温度数据所在工作区间;根据每个温度数据与自身所在区间内所有温度数据之间的温度差异程度,获得每个温度数据在自身所在区间内的离群度,反映出温度数据与自身所在区间内所有温度数据整体之间的温度差异程度;由于不同工作区间内温度变化程度不同,所以在利用LOF异常监测算法时要采用不同的k值进行计算,根据每个温度数据在自身所在区间内的离群度,获得每个温度数据的自适应k值;利用自适应k值对所有温度数据进行LOF异常数据监测,获得所有异常温度数据。本实施例能够计算得到每个温度数据的自适应k值,并通过LOF异常检测算法准确获得温度数据中的所有异常温度数据。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种智能切割头温度监测方法,其特征在于,所述方法包括:
获取智能切割头在工作状态下的所有温度数据;
获取每个预设单位时间内的所有温度数据组成的温度波动曲线;根据每个温度波动曲线的波动特征获得每个温度波动曲线中的所有第一温度曲线段;根据所述第一温度曲线段之间的温度变化特征的差异,获得每个温度波动曲线的合并温度波动曲线段;获得每个合并温度波动曲线段的温度趋势特征;根据相邻合并温度波动曲线段之间的温度趋势特征差异,获得合并温度波动曲线段组成的工作周期;在一个工作周期下获得所有温度数据的工作区间;
根据每个温度数据与自身所在区间内所有温度数据之间的温度差异程度,获得每个所述温度数据在自身所在区间内的离群度;根据每个所述温度数据在自身所在区间内的离群度,获得每个温度数据的自适应k值;
利用所述自适应k值对所有所述温度数据进行LOF异常数据监测,获得所有异常温度数据;
根据所述异常温度数据对智能切割头进行温度监测。
2.根据权利要求1所述的一种智能切割头温度监测方法,其特征在于,所述第一温度曲线段的获取方法包括:
获取每个所述温度波动曲线上的所有极值点;通过相邻极值点将所述温度波动曲线进行分割,获得每个所述温度波动曲线中的所有第一温度曲线段。
3.根据权利要求1所述的一种智能切割头温度监测方法,其特征在于,所述合并温度波动曲线段的获取方法包括:
根据每相邻3个第一温度曲线段之间的温度变化程度,获得每相邻3个第一温度曲线段之间的温度变化趋势值;
利用孤立森林算法获取所有温度变化趋势值中的异常温度数据点作为待分析点;通过所述待分析点的数据值与相邻两个所述温度变化趋势值中任意一个温度变化趋势值之间的差异,获得所述温度波动曲线的所有合并曲线段序列;对所有所述合并曲线段序列按照时序进行合并获得合并温度波动曲线段。
4.根据权利要求1所述的一种智能切割头温度监测方法,其特征在于,根据相邻合并温度波动曲线段之间的温度趋势特征差异,获得合并温度波动曲线段组成的工作周期,包括:
将每个所述合并温度波动曲线段两个端点连接的直线斜率作为每个所述合并温度波动曲线段的特征斜率;将所述特征斜率作为每个合并温度波动曲线段的温度趋势特征;将第一个所述合并温度波动曲线段的特征斜率作为待对比特征斜率;
将相邻两个合并温度波动曲线段之间特征斜率的绝对值平均值与所述待对比特征斜率之间的差异进行负相关映射,获得相邻两个合并温度波动曲线段作为分割段的分割段得分值;当所述分割段得分值大于预设第一阈值时,将所述分割段得分值对应的相邻两个合并温度波动曲线段的共同端点作为分割段点;将相邻分割段点之间的时间区间作为智能切割头的工作周期。
5.根据权利要求3所述的一种智能切割头温度监测方法,其特征在于,所述温度变化趋势值的获取方法包括:
根据温度变化趋势值计算公式获取所述温度变化趋势值,所述温度变化趋势值计算公式如下所示:
;式中,/>表示第/>个极小值点、第/>个极大值点、第/>个极小值点与第/>个极大值点分割得到的相邻3个第一温度曲线段之间的温度变化趋势值;/>表示第/>个极大值点的温度数据值;/>表示第/>个极大值点的温度数据值;/>表示第/>个极小值点的温度数据值;/>表示第/>个极小值点的温度数据值。
6.根据权利要求3所述的一种智能切割头温度监测方法,其特征在于,所述合并曲线段序列的获取方法包括:
将连续预设数量个都为正值的温度变化趋势值对应的所有第一温度曲线段作为初始合并曲线段序列;
当待分析点的数据值与相邻两个所述温度变化趋势值中前一个温度变化趋势值之间的差异小于预设第二阈值时,将待分析点对应的所有第一温度曲线段加入所述初始合并曲线段序列,获得第一曲线段序列;
当待分析点的数据值与相邻两个所述温度变化趋势值中后一个温度变化趋势值之间的差异小于预设第二阈值的时候,待分析点对应的所有第一温度曲线段加入所述初始合并曲线段序列,获得第二曲线段序列;
当待分析点的数据值与相邻两个所述温度变化趋势值中前一个温度变化趋势值之间的差异大于预设第二阈值时,将待分析点对应的所有第一温度曲线段中的前两个第一温度曲线段加入所述初始合并曲线段序列,获得第三曲线段序列;
当待分析点的数据值与相邻两个温度变化趋势值中后一个温度变化趋势值之间的差异大于预设第二阈值的时候,将待分析点对应的所有第一温度曲线段中的后两个第一温度曲线段加入初始合并曲线段序列,获得第四曲线段序列;
将所述初始合并曲线段序列、所述第一曲线段序列、所述第二曲线段序列与所述第四曲线段序列都作为所述合并曲线段序列;
遍历每个温度波动曲线的所有待分析点,获得每个温度曲线的所有合并曲线段序列。
7.根据权利要求4所述的一种智能切割头温度监测方法,其特征在于,根据所述分割段点获得合并温度波动曲线内所有温度数据的工作区间,包括:
将智能切割头工作周期内第一个合并温度波动曲线段对应的时间区间作为启动区间,最后一个合并温度波动曲线段对应的时间区间作为冷却区间,其他时间区间作为切割区间。
8.根据权利要求7所述的一种智能切割头温度监测方法,其特征在于,所述离群度的获取方法包括:
将所有预设单位时间内的温度波动曲线在每个工作区间内的所有合并温度波动曲线段作为每个工作区间内的所有阶段曲线段;
计算每个温度数据在自身所在工作区间内的阶段曲线段中的温度异常得分;
将每个温度数据加入到自身所在工作区间内的其他阶段曲线段中,计算每个温度数据在自身所在工作区间内的其他阶段曲线段中的温度异常得分;
将每个温度数据在自身所在工作区间内所有温度异常得分求平均,获得每个温度数据在自身所在工作区间中的离群度。
9.根据权利要求1所述的一种智能切割头温度监测方法,其特征在于,所述自适应k值的获取方法包括:
根据自适应k值计算公式获取所述自适应k值,所述自适应k值计算公式如下所示:
;式中,/>表示第/>个温度数据的自适应k值;/>表示LOF算法初始预设k值;/>表示第/>个温度数据在自身所在工作区间内的离群度;/>表示所有温度数据在自身所在工作区间内的离群度均值;/>表示LOF算法中的k值最大值;/>表示LOF算法中的k值最小值。
10.根据权利要求1所述的一种智能切割头温度监测方法,其特征在于,根据所述异常温度数据对智能切割头进行温度监测,包括:
将所有异常温度数据的均值作为异常温度监测阈值;当温度数据大于异常温度监测阈值时,认为智能切割头出现异常,对相关人员进行实时预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114574.5A CN117668734B (zh) | 2024-01-29 | 2024-01-29 | 一种智能切割头温度监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114574.5A CN117668734B (zh) | 2024-01-29 | 2024-01-29 | 一种智能切割头温度监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117668734A true CN117668734A (zh) | 2024-03-08 |
CN117668734B CN117668734B (zh) | 2024-04-12 |
Family
ID=90064333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410114574.5A Active CN117668734B (zh) | 2024-01-29 | 2024-01-29 | 一种智能切割头温度监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668734B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117931897A (zh) * | 2024-03-25 | 2024-04-26 | 深圳市阳邦兴业智能科技有限公司 | 一种加热装置温度数据运行监测方法 |
CN117932445A (zh) * | 2024-03-25 | 2024-04-26 | 西安航科创星电子科技有限公司 | 高稳定性的htcc氧化铝陶瓷制备参数异常识别方法 |
CN117932445B (zh) * | 2024-03-25 | 2024-05-31 | 西安航科创星电子科技有限公司 | 高稳定性的htcc氧化铝陶瓷制备参数异常识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639387A (zh) * | 2009-09-11 | 2010-02-03 | 北京航空航天大学 | 基于极值对应的波长检测的光纤温度传感器及其温度传感方法 |
CN111998875A (zh) * | 2020-08-19 | 2020-11-27 | 北京市汉华环球科技发展有限责任公司 | 一种基于光电探测器的角度位置传感器及其测量方法 |
CN114473230A (zh) * | 2021-12-11 | 2022-05-13 | 济南邦德激光股份有限公司 | 高功率激光切割头及温度检测方法、设备 |
CN116610482A (zh) * | 2023-07-18 | 2023-08-18 | 山东理工大学 | 一种电气设备运行状态智能监测方法 |
CN117009910A (zh) * | 2023-10-08 | 2023-11-07 | 湖南工程学院 | 一种环境温度异常变化智能监测方法 |
CN117272214A (zh) * | 2023-11-21 | 2023-12-22 | 罗普特科技集团股份有限公司 | 一种安全生产智能管理系统 |
-
2024
- 2024-01-29 CN CN202410114574.5A patent/CN117668734B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639387A (zh) * | 2009-09-11 | 2010-02-03 | 北京航空航天大学 | 基于极值对应的波长检测的光纤温度传感器及其温度传感方法 |
CN111998875A (zh) * | 2020-08-19 | 2020-11-27 | 北京市汉华环球科技发展有限责任公司 | 一种基于光电探测器的角度位置传感器及其测量方法 |
CN114473230A (zh) * | 2021-12-11 | 2022-05-13 | 济南邦德激光股份有限公司 | 高功率激光切割头及温度检测方法、设备 |
CN116610482A (zh) * | 2023-07-18 | 2023-08-18 | 山东理工大学 | 一种电气设备运行状态智能监测方法 |
CN117009910A (zh) * | 2023-10-08 | 2023-11-07 | 湖南工程学院 | 一种环境温度异常变化智能监测方法 |
CN117272214A (zh) * | 2023-11-21 | 2023-12-22 | 罗普特科技集团股份有限公司 | 一种安全生产智能管理系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117931897A (zh) * | 2024-03-25 | 2024-04-26 | 深圳市阳邦兴业智能科技有限公司 | 一种加热装置温度数据运行监测方法 |
CN117932445A (zh) * | 2024-03-25 | 2024-04-26 | 西安航科创星电子科技有限公司 | 高稳定性的htcc氧化铝陶瓷制备参数异常识别方法 |
CN117932445B (zh) * | 2024-03-25 | 2024-05-31 | 西安航科创星电子科技有限公司 | 高稳定性的htcc氧化铝陶瓷制备参数异常识别方法 |
CN117931897B (zh) * | 2024-03-25 | 2024-06-04 | 深圳市阳邦兴业智能科技有限公司 | 一种加热装置温度数据运行监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117668734B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116183058B (zh) | 一种智能电容器的监测方法 | |
CN110648480B (zh) | 一种基于变化速率的单变量报警系统及方法 | |
CN110109431B (zh) | 一种压铸机oee信息智能获取系统 | |
CN104794535B (zh) | 一种基于主导行业的电力需求预测及预警的方法 | |
CN111931834B (zh) | 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质 | |
CN116243097B (zh) | 基于大数据的电能质量检测方法 | |
CN115577020B (zh) | 一种修磨周期能耗状态识别系统及识别方法 | |
CN117349778B (zh) | 一种基于物联网的用电设备在线实时监测系统 | |
CN110287178A (zh) | 一种基于数据差值的桥梁渐进式漂移数据清洗方法 | |
CN117668734B (zh) | 一种智能切割头温度监测方法 | |
CN113297439A (zh) | 一种时间序列数据特征提取及分类方法 | |
CN117312997A (zh) | 一种电力管理系统智能诊断方法及系统 | |
CN116433085A (zh) | 一种轧制过程控制系统性能评估方法 | |
CN115719106A (zh) | 基于多气象要素的电力负荷预测方法 | |
CN117289778A (zh) | 一种工控主机电源健康状态的实时监测方法 | |
CN110298767B (zh) | 一种火力发电厂时间序列变量异常监测方法及系统 | |
Sahoo et al. | ECG signal analysis for detection of Cardiovascular abnormalities and Ischemic episodes | |
Sahoo et al. | ECG signal analysis for detection of Heart Rate and Ischemic Episodes | |
CN110083804B (zh) | 基于条件分布回归的风电场scada数据缺失的智能修复方法 | |
CN113205146A (zh) | 一种基于片段统计特征比较的时序数据异常波动检测算法 | |
CN116776128B (zh) | 基于物联网的智能家居数据采集系统 | |
CN116341993B (zh) | 一种用于聚苯乙烯生产过程中状态监测方法及系统 | |
Véroli | Optimal continuous policies for repair and replacement | |
CN117972614B (zh) | 一种移动电源充放电过程中的温度实时监测方法 | |
CN117235651B (zh) | 基于物联网的企业信息数据优化管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |